Las 5 principales tendencias de aprendizaje automático para 2021

¡ Una tecnología que se ha vuelto cada vez más popular con el tiempo es el aprendizaje automático ! En estos días, es probable que haya oído hablar de la popularidad del aprendizaje automático y la inteligencia artificial si está conectado de alguna manera con la industria tecnológica (¡y a veces incluso si no lo está!). El aprendizaje automático se incorpora cada vez más a empresas como Google. (lo que se espera) o incluso Netflix (¡Guau!) e incluso empresas más pequeñas que usan algoritmos ML para obtener información de los datos. La investigación de mercado incluso predice que el mercado global de aprendizaje automático, que actualmente ronda los $7.3 mil millones en 2020, se expandirá a $30.6 mil millones en 2024. Esta es una gran noticia para el aprendizaje automático y también muestra una tendencia al alza en 2021 para esta tecnología.

Hay muchas innovaciones nuevas y tendencias de aprendizaje automático que pueden pasar a primer plano en 2021. Ya hay muchas aplicaciones de aprendizaje automático en la industria, como su integración con Internet de las cosas, uso más frecuente en industrias como ciberseguridad, Finanzas , medicina, etc. Según un estudio de Salesforce Research, el 83 % de los líderes de TI cree que el aprendizaje automático y la inteligencia artificial están mejorando la experiencia de participación del cliente. Esto muestra claramente que ML como tecnología solo está aumentando en popularidad.

Entonces, a medida que lleguemos a finales de 2020 y principios de 2021, veamos algunas de las tendencias clave de aprendizaje automático que pueden cambiar el futuro para mejor. Estas tendencias no solo muestran la integración de ML en varias industrias, sino también las mejoras en la tecnología misma.

1. La intersección de ML e IoT

IoT ya es una tecnología establecida en la que varios dispositivos o «cosas» están conectados a través de una red y pueden comunicarse entre sí. Estos dispositivos están aumentando continuamente, tanto que podría haber más de 64 mil millones de dispositivos IoT para 2025. Todos estos dispositivos recopilan datos que pueden analizarse y estudiarse para obtener información útil. ¡Ahí es donde el aprendizaje automático se vuelve tan importante! Los algoritmos de aprendizaje automático se pueden utilizar para convertir los datos recopilados por los dispositivos IoT en resultados procesables útiles.

Un ejemplo de esto es Green Horizons, un proyecto creado por el Laboratorio de Investigación de China de IBM que tiene como objetivo controlar los niveles de contaminación a estándares más transpirables. Esto se puede hacer usando una red IoT donde los sensores recopilan las emisiones de los vehículos, los niveles de polen, la dirección del flujo de aire, el clima, los niveles de tráfico, etc., y luego se usan los algoritmos ML para encontrar la mejor manera de reducir estas emisiones. La intersección de ML e IoT también se puede ver en el campo de los vehículos inteligentes, donde los automóviles autónomos deben ser extremadamente precisos y todas las partes deben comunicarse entre sí en milisegundos en la carretera. Esto demuestra cuán importante es la combinación de estas tecnologías. Gartner incluso predice que más del 80 % de los proyectos empresariales de IoT utilizarán inteligencia artificial y aprendizaje automático de alguna forma para 2022, una cifra muy superior al 10 % de los proyectos que la utilizan actualmente.

2. Aprendizaje automático automatizado

¡La próxima etapa de desarrollo en el aprendizaje automático es el aprendizaje automático automatizado! Es una bendición para las personas que no son expertas en el complicado mundo del aprendizaje automático y también para los científicos y analistas de datos experimentados. El aprendizaje automático automatizado permite a estos científicos de datos crear modelos de aprendizaje automático con mayor eficiencia y productividad al mismo tiempo que tienen una calidad de primer nivel.

Por lo tanto, una herramienta como AutoML se puede usar para entrenar modelos de aprendizaje automático personalizados de alta calidad para clasificación, regresión y agrupación sin mucho conocimiento de programación. Puede ofrecer fácilmente la cantidad correcta de personalización sin una comprensión detallada del complejo flujo de trabajo de Machine Learning. También puede ayudar a usar las mejores prácticas de aprendizaje automático mientras ahorra tiempo y recursos. Uno de esos ejemplos de AutoML es el aprendizaje automático proporcionado por Microsoft Azure que puede usar para crear e implementar modelos predictivos.

3. Aprendizaje automático en ciberseguridad

A medida que el aprendizaje automático se vuelve cada vez más popular en los tiempos actuales, también está aumentando sus aplicaciones en muchas industrias diferentes. Uno de los más populares entre ellos es la industria de la seguridad cibernética. Machine Learning tiene muchas aplicaciones en seguridad cibernética, incluida la mejora del software antivirus disponible, la lucha contra el delito cibernético que también utiliza capacidades de aprendizaje automático, la identificación de amenazas cibernéticas, etc.

Machine Learning también se utiliza para crear software Smart Antivirus que puede identificar cualquier virus o malware por su comportamiento anormal en lugar de simplemente usar su firma como un antivirus normal. Por lo tanto, el antivirus inteligente puede identificar amenazas más antiguas de virus encontrados anteriormente y también nuevas amenazas de virus que se crearon recientemente mediante el análisis de su comportamiento auspicioso. Dado que en estos días muchas empresas están integrando Machine Learning en Ciberseguridad, los ejemplos más comunes de esto son Chronicle, una empresa de ciberseguridad manejada por Alphabet (la empresa array de Google), Sqrrl, una empresa fundada por ex empleados de la Agencia de Seguridad Nacional (¡Miedo!), etc.

4. Aumento de la ética de la IA

Ahora que la inteligencia artificial y el aprendizaje automático están en auge, es igualmente importante discutir la ética de estas tecnologías. Es muy fácil crear tecnología que sea inteligente y tenga capacidades de pensamiento independiente, pero ¿qué sucede después? ¿Qué pasa si un coche autónomo mata a una persona? ¿Qué pasa si un algoritmo de Machine Learning está sesgado hacia ciertas personas porque los datos están sesgados? ¿Deben los robots tener algún derecho bajo la ley o no? ¿Qué pasará con los trabajos de las personas si el aprendizaje automático se generaliza? Todas estas son preguntas de ética que son importantes y deben discutirse más en 2021.

Ya ha habido muchas controversias relacionadas con la ética de la IA. El más popular fue cuando Amazon descubrió que su algoritmo de reclutamiento basado en Machine Learning estaba sesgado contra las mujeres en 2018. Esto se debe a que se entrenó en datos en los que la mayoría de los candidatos eran hombres, por lo que el algoritmo también favorecía a los hombres sobre las mujeres. Otro escándalo muy reciente fue en 2020 cuando Google despidió al Dr. Timnit Gebru , un destacado investigador sobre el sesgo racial en la tecnología que estaba estudiando el sesgo en los sistemas de Inteligencia Artificial de Google.

5. Ingeniería de IA

Todo el mundo ha oído hablar de la ingeniería de software, ¡pero ahora es la ingeniería de IA la que está en auge como profesión! Este es un desarrollo muy importante porque la integración de la inteligencia artificial y el aprendizaje automático en la industria ha sido muy ad-hoc y al azar sin ninguna regulación de mejores prácticas. Es por eso que Gartner incluso predice que solo el 53 % de los proyectos de IA y ML completan el viaje desde un prototipo hasta la producción completa en una empresa, mientras que el 47 % restante se enfrenta al fracaso.

¡Ahí es donde entra la ingeniería de IA! Una estrategia de ingeniería de inteligencia artificial optimizada para una empresa proporciona un gran rendimiento, confiabilidad y escalabilidad a partir de un algoritmo de aprendizaje automático que garantiza un retorno de la inversión en inteligencia artificial. Esto incluye un fuerte enfoque en DataOps, ModelOps, DevOps, etc., siendo los proyectos de inteligencia artificial parte de la estrategia general de DevOps en una empresa y no solo una práctica ad-hoc en algunos proyectos.

Conclusión

Con el comienzo del nuevo año, se observarán muchas tendencias nuevas en Machine Learning 2021. Por supuesto, 2020 fue un año que nadie podría haber esperado (¡y no en el buen sentido!) Entonces, ¿quién sabe lo que realmente depara 2021? Pero es obvio que algunas tendencias en el aprendizaje automático llegaron para quedarse, como su integración en muchos campos nuevos, como la ciberseguridad, las finanzas e incluso la atención médica. Cada vez más empresas están adoptando Machine Learning para que esta tecnología ya no sea exclusiva de gigantes tecnológicos como Google, Facebook, Microsoft, etc. Esto también significa que la ética de la IA se está volviendo necesaria, ya que muchas empresas también tienen un consejo de ética. ¡Entonces, veamos a dónde van los desarrollos en Machine Learning en 2021 y en el futuro!